基于改進遺傳算法的支持向量機微信垃圾文章識別

梁闊洋?k

摘要：近幾年，隨著微信的快速發(fā)展和普及，微信已經(jīng)成為智能移動設(shè)備必備的應(yīng)用之一，但與之同時也出現(xiàn)了大量微信詐騙信息、垃圾廣告等，給人們帶來了極大的困擾。本文將從搜狗微信搜索中抽取微信文章樣本，將微信垃圾文章識別看做文本分類問題，采用支持向量機對樣本進行分類模型的訓(xùn)練，并應(yīng)用改進的遺傳算法對支持向量機的參數(shù)進行優(yōu)化。文中詳細(xì)的介紹了改進遺傳算法在支持向量機上的應(yīng)用，相比傳統(tǒng)的支持向量機，采用改進遺傳算法對支持向量機參數(shù)進行優(yōu)化，提升了模型準(zhǔn)確率和優(yōu)化效率。在文章的最后進行了由15000篇微信文章所形成的測試集上的分類模型效果實驗，實現(xiàn)結(jié)果表明，本方法能夠達(dá)到94.7%的準(zhǔn)確率，非常準(zhǔn)確的識別微信垃圾文章。

關(guān)鍵詞：支持向量機；遺傳算法；特征選擇；參數(shù)優(yōu)化；垃圾文章

中圖分類號：TP391.1文獻(xiàn)標(biāo)識碼：A

1引言

隨著微信應(yīng)用的快速發(fā)展和普及，微信已經(jīng)成為移動智能設(shè)備中必備的應(yīng)用之一，與之同時也出現(xiàn)了大量微信詐騙信息，垃圾廣告等垃圾文章。這些信息不僅浪費了用戶的帶寬和時間，同時也對互聯(lián)網(wǎng)的安全構(gòu)成了較大的威脅。因此如何識別此類微信文章顯得格外重要。

傳統(tǒng)的解決方案為黑名單方法，黑名單方法收集發(fā)表垃圾文章的用戶，將用戶ID加入垃圾用戶黑名單列表。但由于微信用戶量大、并且增長速度快、黑名單方法不僅實施周期長，并且工作量大。

微信垃圾文章識別的過程可視為一個文本分類的過程，對于文本分類問題，樣本經(jīng)過特征選擇后，每一個樣本被當(dāng)做一個n維特征向量空間中的向量、作為機器學(xué)習(xí)算法的輸入。常用的機器學(xué)習(xí)方法有：K-近鄰（K-Near Neighbor）[1]、樸素貝葉斯（Na

4實驗結(jié)果

實驗數(shù)據(jù)來源于搜狗微信搜索數(shù)據(jù)源，實驗共選取了5組訓(xùn)練集，和2組測試集。

第一，采用不同數(shù)量的訓(xùn)練集對模型進行訓(xùn)練，記錄模型訓(xùn)練的準(zhǔn)確率、召回率、F值，如表2：

通過對不同數(shù)量的訓(xùn)練集對模型進行訓(xùn)練，可以看出，當(dāng)采用TRAIN1，數(shù)量為685對模型進行訓(xùn)練，準(zhǔn)確率、召回率、F值非常低，隨著訓(xùn)練樣本的增多，準(zhǔn)確率、召回率、F值的提升非常快，這說明訓(xùn)練樣本數(shù)量對模型整體的訓(xùn)練效果有非常大的影響。

采用TRAIN5所訓(xùn)練的模型，進行3組不同數(shù)量測試上的實驗，幾率其準(zhǔn)確率、召回率、F值，如表3：

從上表可以看出，使用同一訓(xùn)練集，準(zhǔn)確性稍有升高，幅度不大，表明模型是相當(dāng)穩(wěn)定的。召回率與F值稍有下降，說明訓(xùn)練集中并沒有覆蓋所有實際情況，某些特殊實例沒有被包含進來。

從上面兩組實驗結(jié)果可以得到，基于改進遺傳算法的支持向量機微信垃圾文章識別，對于搜狗微信搜索數(shù)據(jù)源具有良好的效果，其實驗結(jié)果有益于后續(xù)研究的繼續(xù)進行。訓(xùn)練所得模型的準(zhǔn)確率、召回率、F值能夠滿足實際應(yīng)用的需求。

5結(jié)論與展望

本文采用支持向量機對微信文章垃圾文章進行識別，并應(yīng)用改進的遺傳算法對支持向量機進行參數(shù)優(yōu)化，最終得到最優(yōu)的參數(shù)組合，從了得到了能夠進行良好分類的分類器。今后的主要工作集中在優(yōu)化特征選擇，對某些重要特征進行加權(quán)處理，并考慮平衡數(shù)據(jù)和費平衡數(shù)據(jù)對分類器訓(xùn)練效果的影響，使得分類的準(zhǔn)確率、召回率、F值獲得更大程度的提高。

參考文獻(xiàn)

[1]ANDROUTSPOULOS I，PALIOURAS G，KARKALETSIS V，et al. Learning to filter spam email： A Comparison of a Naive Bayesian and a MemoryBased Approach[C].Proceedings of the workshop on machine learning and textual information access， 4th European conference on principles and practice of knowledge discovery in databases. Lyon， France： [sn.].2000：1-13

[2]ANDROUTSOPOULOS I，KOUTSIAS J，CHANDRINOS K， et al. An evaluation of nave Bayesian antispam filtering[C].Proceedings of the 11th European conference on machine learning.Barcelona， Spain：[sn.].2000：9-17.

[3]CARRERAS X，MARQUEZ L. Boosting trees for antispam email filtering[C].The Forth International Conference on Recent Advances in Natural Language Processing. Bulgaria： Tzigov Chark.2001：58-64.

[4]CORTES C，VAPNIK V. Support vector networks[J].Machine Learning.1995，20（1）：273 –329.

[5]平源. 基于支持向量機的聚類及文本分類研究[D].北京：北京郵電大學(xué)，2012.

[6]KUBAT T M，MATWIN S. Addressing the Curse of Imbalanced Training Sets： OneSide Selection[C]. Proceedings of the 14th International Conference on Machine Learning. USA： Nashville.1997：217-225.）

[7]李人厚.智能控制理論和方法[M].陜西：西安電子科技大學(xué)出版社，2005.

[8]楊淑瑩，著.模式識別與智能計算—— Matlab技術(shù)實現(xiàn)[M].北京：電子工業(yè)出版社，2008..

[9]施聰鶯，徐朝軍，楊曉江. TFIDF算法研究綜述[J]. 計算機應(yīng)用，2009，S1：167-170+180.

[10]DASH M， LIU H. Feature Selection for Classification[J]. Intelligent Data Analysis， 1997， 1（3）： 131-156.